只要30行代码！7步教会你Python爬取网页抖音热门视频

松鼠爱吃饼干

发布于 2020-09-15 15:54:46

2.8K0

发布于 2020-09-15 15:54:46

文章被收录于专栏：Python分享Python分享

前言

抖音短视频相信大家都听过，也不陌生对吧！可以看到海量的短视频，涵盖了各大行业。个人觉得抖音有毒，刷着刷着根本停不下来，一看时间就是凌晨3、4点。今天带大家爬取抖音网页版的视频数据！一睹为快吧

本篇文章内容：

1、系统分析网页性质

2、正则提取数据（难点）

3、海量音频数据保存

环境介绍：

python 3.6 pycharm requests re

爬虫的一般思路

1、分析目标网页，确定爬取的url路径，headers参数

2、发送请求 -- requests 模拟浏览器发送请求，获取响应数据

3、解析数据 -- 正则表达式

4、保存数据 -- 保存在目标文件夹中

步骤：

1、导入工具

base_url = 'http://douyin.bm8.com.cn/d_1.html'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'}

2、分析目标网页，确定爬取的url路径，headers参数

base_url = 'http://douyin.bm8.com.cn/d_1.html'
headers = {
    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'}

3、发送请求 -- requests 模拟浏览器发送请求，获取响应数据

response = requests.get(url=base_url, headers=headers)
html_data = response.text

4、解析数据 -- 正则表达式

pattern = re.compile('onclick="open1\(\'(.*?)\',\'(.*?)\',\'\'\)')
result = pattern.findall(html_data)
print(result)

5、构建一个for循环

for page in range(8, 10):
    print('===================正在取第{}页数据================='.format(page))
    # 1、分析目标网页，确定爬取的url路径，headers参数
    base_url = 'http://douyin.bm8.com.cn/d_{}.html'.format(page)
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.116 Safari/537.36'}

6、处理文件名非法字符

def change_title(title):
    pattern = re.compile(r"[\/\\\:\*\?\"\<\>\|]")  # '/ \ : * ? " < > |'
    new_title = re.sub(pattern, "_", title)  # 替换为下划线
    return new_title

7、保存数据 -- 保存在目标文件夹中

for title, url in result:
        # 请求抖音视频数据
        data = requests.get(url=url, headers=headers).content

        new_title = change_title(title)
        with open('videos\\' + new_title + '.mp4', mode='wb') as f:
            f.write(data)
            print('保存完成:', title)